• Saltar al contenido principal
  • Skip to secondary menu
  • Saltar a la barra lateral principal
  • Saltar al pie de página
  • Inicio
  • Secciones
    • Ciencia de datos
    • Criptografía
    • Herramientas
    • Machine Learning
    • Noticias
    • Opinión
    • Productividad
    • Programación
      • JavaScript
      • Julia
      • Matlab
      • Python
      • R
  • Programación
    • JavaScript
    • Julia
    • Matlab
    • Python
    • R
  • Laboratorio
    • Estadística
      • Calculadora del Tamaño Muestral en Encuestas
      • Calculadora de estadísticos descriptivos
      • Test de normalidad
      • Calculadora de contrastes de hipotesis
      • Calculadora de tamano del efecto
      • Simulador de Regresión Lineal con Ruido
      • Descenso de gradiente
      • Visualizador de PCA
      • Visualizador de Series Temporales
      • Simulador de Regresión Logística
      • Matriz de confusión e informe de clasificación
      • Visualizador de fronteras de decisión
      • Simulador de K-Means
      • Número Óptimo de Clusters
      • Simulador de DBSCAN
      • Detector de la Ley de Benford
      • Ajuste de Curvas
      • Calculadora de Matrices
    • Probabilidad
      • Calculadora de Probabilidad de Distribuciones
      • Problema del cumpleaños
      • Calculadora de Probabilidades de Lotería
      • Simulador del Problema de Monty Hall
      • La aguja de Buffon
      • Simulador de la Estrategia Martingala
      • Simulador de Cadenas de Markov
    • Finanzas
      • Calculadora de Préstamos e Hipotecas
      • Conversor TIN ↔ TAE
      • Calculadora DCA con ajuste por inflación
      • Comparador de tarifas de luz 2.0TD
      • Calculadora XIRR con Flujos Irregulares
      • Simulador FIRE (Financial Independence, Retire Early)
      • Frontera Eficiente
    • Negocios
      • CLV
      • Scoring
    • Herramientas
      • Formateador / Minificador de JSON
      • Conversor CSV ↔ JSON
      • Consultar CSV con SQL en el navegador
      • Extractor de tickets (OCR)
      • Comparador y Formateador de Texto y JSON
      • Formateador y Tester de Expresiones Regulares
      • Inspector de JWT
      • Generador y verificador de hashes
      • Calculadora HMAC
      • Codificador / Decodificador Base64 y URL
      • Conversor de bases numericas
      • Conversor de Timestamp Unix
      • Conversor de colores
      • Generador de UUIDs
      • Editor de expresiones cron
      • Conversor de unidades
    • Juegos
      • Tres en Raya
      • Nim con Q-Learning
    • Más
      • Método D’Hondt
      • Generador de Contraseñas Seguras
  • Noticias
  • Boletín
  • Contacto
  • Tienda
    • Libros
    • Equipamiento de oficina
    • Equipamiento en movilidad

Analytics Lane

Ciencia e ingeniería de datos aplicada

  • Ciencia de datos
  • Machine Learning
  • IA Generativa
  • Python
  • Pandas
  • NumPy
  • R
  • Excel

Numpy básico: seleccionar filas y columnas en matrices Numpy

NumPy

noviembre 6, 2019 Por Daniel Rodríguez 2 comentarios
Tiempo de lectura: 3 minutos

A la hora de trabajar con matrices una tarea clave es saber cómo seleccionar filas y columnas de una forma eficiente. Por eso es importante conocer las opciones de Numpy para ello. En esta entrada se explicará cómo seleccionar filas y columnas en matrices Numpy.

Creación de una matriz de ejemplo

Antes de explicar cómo seleccionar filas y columnas en matrices Numpy es necesario disponer de una matriz. Por lo que procedemos a crear una.

import numpy as np

matrix = np.array(([11, 12, 13], [21, 22, 23], [31, 32, 33]))
matrix
array([[11, 12, 13],
       [21, 22, 23],
       [31, 32, 33]])

En el ejemplo, para identificar los elementos el primer dígito del número indica la fila y el segundo la columna.

Seleccionar un elemento de una matriz en Numpy

En primer lugar, se puede ver cómo seleccionar solamente un elemento. Para lo que se escribirá el nombre de la variable seguido de la fila entre corchetes y posteriormente la columna también entre corchetes. Es decir, es necesario escribir algo como:

matrix[row][column]

Recordando que en Python empezamos a contar los elementos desde 0, para acceder al valor de la tercera fila y segunda columna escribiremos.

Shallow copy vs Deep copy en Python: la mutación inesperada
En Analytics Lane
Shallow copy vs Deep copy en Python: la mutación inesperada

matrix[2][1]
32

Alternativamente, en lugar de usar corchetes dos veces se puede pasar los valores de la fila y columna separadas por comas. Lo que es una manera más compacta de indicar los valores.

matrix[2, 1]
32

Seleccionar filas

Para seleccionar una fila solamente se tiene que indicar esta entre corchetes separada, sin que sea necesario indicar las columnas. Así la tercera fila se puede indicar de la siguiente forma:

matrix[2]
array([31, 32, 33])

También es posible puede seleccionar más de una fila a la vez. Para lo que se puede utilizar el operador initial:final. Con el que es se indicar que se seleccione desde la fila initial hasta la fila anterior a la final. Así, para seleccionar la primera y segunda fila se puede escribir:

matrix[0:2]
array([[11, 12, 13],
       [21, 22, 23]])

En caso de comenzar en la primera fila se puede ignorar su valor. Lo mismo si se termina en la última fila. Así la selección anterior se compactar de la siguiente forma:

matrix[:2]
array([[11, 12, 13],
       [21, 22, 23]])

O para seleccionar desde la segunda fila hasta el final se puede usar:

matrix[1:]
array([[21, 22, 23],
       [31, 32, 33]])

Finalmente, si se ignora tanto el valor anterior y posterior a los dos puntos se seleccionar todas las filas. Algo que será importante en la próxima sección.

Seleccionar columnas

La selección de una columna se hace de forma análoga, pero primero se tiene que indicar que se seleccionen todas las filas. Así se tiene que escribir :, coma y la columna. Así la segunda columna se puede seleccionar escribiendo

matrix[:, 1]
array([12, 22, 32])

Al igual que el caso de las filas se puede seleccionar más de una columna, para lo que también se utiliza el operador dos puntos. Por ejemplo, la primera y segunda columna se puede seleccionar con

matrix[:, :2]
array([[11, 12],
       [21, 22],
       [31, 32]])

Selección de submatrices

Finalmente se puede combinar todo lo visto para seleccionar una submatriz de la original. Lo que simplemente es seleccionar un conjunto de filas y un conjunto de columnas. Por ejemplo, se puede hacer:

matrix[1:, :2]
array([[21, 22],
       [31, 32]])

Conclusiones

En esta entrada se ha visto cómo seleccionar filas y columnas en matrices Numpy. Una tarea básica, pero en la que es necesario poder realizar con soltura para llevar a cabo los análisis de datos más complejos con Numpy.

Imágenes: Pixabay (Marit Welker)

¿Te ha parecido de utilidad el contenido?

¡Puntúalo entre una y cinco estrellas!

Puntuación promedio 5 / 5. Votos emitidos: 6

Ya que has encontrado útil este contenido...

¡Síguenos en redes sociales!

¡Siento que este contenido no te haya sido útil!

¡Déjame mejorar este contenido!

Dime, ¿cómo puedo mejorar este contenido?

Publicaciones relacionadas

  • Shallow copy vs Deep copy en Python: la mutación inesperada
  • Cómo Proyectar Cuándo Alcanzarás la Independencia Financiera
  • Analytics Lane lanza la versión 1.5 del laboratorio con un extractor de tickets por OCR y consultas SQL sobre CSV en el navegador
  • Cómo Saber si una Diferencia Significativa es Importante
  • Curiosidad: “Wi-Fi” no significa “Wireless Fidelity”
  • Cómo Explorar un Dataset antes de Modelar
  • Cómo Elegir el Test de Hipótesis Correcto para tus Datos
  • Tuplas vs Listas en Python: parecen lo mismo, pero no
  • == vs is en Python: la diferencia que causa bugs misteriosos

Publicidad

Publicado en: Python Etiquetado como: NumPy

Interacciones con los lectores

Comentarios

  1. Laura dice

    marzo 10, 2020 a las 6:59 pm

    Saludos,

    cuando selecionas introduces matrix[ : , :2 ] estás obteniendo array ( [ 11, 21, 31 ] , [ 12, 22, 32] ) en lugar de lo que escribiste.
    Corrígeme si me equivoco. Gracias por tu artículo, me ha ayudado mucho.

    Responder
    • Daniel Rodríguez dice

      marzo 10, 2020 a las 7:33 pm

      No, sale lo que esta en la entrada, las dos primeras columnas de la matriz. Para obtener ese resultado hay que trasponer la matriz.

      Responder

Deja una respuesta Cancelar la respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

I accept the Terms and Conditions and the Privacy Policy

Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.

Barra lateral principal

Suscríbete a nuestro boletín

Suscríbete al boletín semanal para estar al día de todas las publicaciones.

Política de Privacidad

Analytics Lane en redes sociales

  • Amazon
  • Bluesky
  • Facebook
  • GitHub
  • Instagram
  • Mastodon
  • Pinterest
  • RSS
  • Telegram
  • Tumblr
  • Twitter
  • YouTube

Publicidad

Entradas recientes

Noticias

Analytics Lane lanza la versión 1.5 del laboratorio con un extractor de tickets por OCR y consultas SQL sobre CSV en el navegador

noviembre 18, 2026 Por Daniel Rodríguez

Cómo Explorar un Dataset antes de Modelar

noviembre 17, 2026 Por Daniel Rodríguez

Curiosidad: “Wi-Fi” no significa “Wireless Fidelity”

noviembre 12, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Gráficos de barras en Matplotlib publicado el julio 5, 2022 | en Python
  • Hoja de cálculo para repartir los escaños en base al método D’Hont Aplicar el método D’Hondt en Excel publicado el abril 14, 2021 | en Herramientas
  • pandas Pandas: Cómo iterar sobre las filas de un DataFrame en Pandas publicado el septiembre 13, 2021 | en Python
  • Exactitud, precisión, recall… qué mide realmente cada métrica (y qué no) publicado el marzo 3, 2026 | en Ciencia de datos
  • Operaciones de filtrado de DataFrame con Pandas en base a los valores de las columnas publicado el mayo 10, 2019 | en Python

Publicidad

Lo mejor valorado

4.9 (24)

Seleccionar filas y columnas en Pandas con iloc y loc

4.6 (16)

Archivos JSON con Python: lectura y escritura

4.4 (14)

Ordenación de diccionarios en Python mediante clave o valor

4.7 (13)

Operaciones de filtrado de DataFrame con Pandas en base a los valores de las columnas

4.1 (11)

Aplicar el método D’Hondt en Excel

Comentarios recientes

  • Daniel Rodríguez en Curiosidad: La Paradoja de Simpson, o por qué no siempre debes fiarte de los promedios
  • Hatepi en Curiosidad: La Paradoja de Simpson, o por qué no siempre debes fiarte de los promedios
  • Daniel Rodríguez en Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)
  • Juan en Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)
  • bif en JSON en bases de datos: cuándo es buena idea y cuándo no

Publicidad


Footer

Analytics Lane

  • Acerca de Analytics Lane
  • Boletín de noticias
  • Contacto
  • Libros
  • Lo más popular
  • Noticias
  • Tienda
  • Tiendas afiliadas

Secciones

  • Ciencia de datos
  • Criptografía
  • Herramientas
  • Machine Learning
  • Opinión
  • Productividad
  • Programación
  • Reseñas

Sobre de Analytics Lane

En Analytics Lane tratamos de explicar los principales conceptos de la ciencia e ingeniería de datos con un enfoque práctico. Los principales temas tratados son ciencia de datos, ingeniería de datos, inteligencia artificial, machine learning, deep learning y criptografía. Además, también se habla de los principales lenguajes de programación y herramientas utilizadas por los científicos e ingenieros de datos.

Copyright © 2018-2026 Analytics Lane ·Términos y condiciones ·Política de Cookies ·Política de Privacidad ·Herramientas de privacidad ·Contacto